Votre Wi-Fi peut déjà savoir où vous vous trouvez dans la pièce

Le chiffre discret présent dans chaque connexion Wi-Fi

Chaque connexion Wi-Fi transporte un petit nombre que la plupart des gens ne voient jamais. On l’appelle RSSI, et il indique à quel point le signal est fort pour l’appareil à cet instant. Un téléphone, une enceinte intelligente ou une télévision Android peut lire cette valeur avec des logiciels ordinaires, si bien qu’elle se trouve en plein jour dans de nombreuses applications domestiques. Ce nombre est grossier. Il ne décrit pas chaque petite partie de l’onde radio ; il donne une seule mesure globale de puissance pour le lien entre émetteur et récepteur.

Cette simplicité rend le RSSI intéressant. La détection Wi-Fi plus détaillée repose généralement sur le CSI, qui suit l’amplitude et la phase sur de nombreuses sous-porteuses d’un signal. Ces mesures peuvent révéler comment un corps plie ou bloque l’air autour de lui, mais elles exigent souvent des pilotes spéciaux, des autorisations élevées ou du matériel dédié. Les appareils grand public les exposent rarement. Une télévision peut signaler volontiers le RSSI tout en gardant cachés aux applications normales les détails radio plus profonds.

Un essai à l’université d’Islande montre que ce chiffre discret n’est pas un simple bruit de fond inoffensif. Mis dans une forme proche des données Wi-Fi plus riches, il peut alimenter un modèle qui estime où une personne se tient dans une pièce. Le résultat pointe vers un problème de vie privée : les gens remarquent les caméras et les microphones, mais ils surveillent rarement les mesures sans fil utilisées comme indices sur le mouvement ou la présence. Un nombre trop faible pour sembler important peut devenir un canal de surveillance invisible si des logiciels en tirent une inférence.

Un montage bon marché et un modèle emprunté à des données plus riches

Un essai de l’université d’Islande montre que les mesures ordinaires de puissance Wi-Fi peuvent donner un indice sur la position d’une personne dans une pièce. L’idée consistait à réutiliser un modèle existant, entraîné sur des données Wi-Fi plus riches, plutôt qu’à en construire un nouveau pour des cartes bon marché. Beaucoup d’appareils intelligents exposent des valeurs simples de puissance du signal par des logiciels normaux, tandis que les données détaillées par sous-porteuses restent souvent cachées. Cet écart rendait le modèle emprunté attractif, car il savait déjà transformer les variations Wi-Fi en position corporelle.

Le modèle d’origine a été entraîné sur des données détaillées par sous-porteuse et sur des étiquettes issues d’une caméra de profondeur dans une pièce similaire. Ici, il sert à détecter la présence, le mouvement et une localisation approximative plutôt qu’une pose fine. L’espace d’essai était un secteur du campus dégagé, environ 3,5 sur 4 m. Trois cartes ESP32-C3 à bas coût servaient de transmetteurs Wi-Fi monobande, et un Raspberry Pi 4 recevait le signal.

Trois chemins étaient nécessaires parce que chaque ligne émetteur-récepteur ne donne qu’une information partielle sur un corps qui bloque. Combiner les variations venant de trois directions permettait une estimation approximative de la position en profondeur, pas seulement à gauche ou à droite. La collecte commençait par environ deux minutes de signal dans une pièce vide pour établir une référence de fond. Une personne entrait ensuite et se déplaçait pendant que les cartes enregistraient la puissance Wi-Fi et qu’une vidéo capturait la vérité terrain au même moment.

Les horodatages étaient synchronisés via SSH, et le démarrage et l’arrêt étaient semi-automatisés pour permettre aux personnes de quitter la pièce pendant la collecte. Les mesures brutes arrivaient en dBm, une échelle logarithmique qui ne correspond pas aux valeurs linéaires de puissance attendues par le modèle. Chaque mesure était donc convertie en puissance linéaire relative, puis mise à l’échelle et atténuée pour correspondre à la pièce réelle plus petite. Cette étape faisait ressembler les simples variations de puissance aux données d’amplitude plus riches utilisées pendant l’entraînement.

Les particularités du matériel demandaient aussi des précautions, car des cartes bon marché peuvent introduire un bruit inégal par les câbles et les adaptateurs secteur. L’équipe a réenregistré les données avec des câbles USB-C identiques, des adaptateurs muraux identiques et des multiprises parasurtenseur pour chaque émetteur. Cela réduisait une différence de bruit apparue sur une carte à cause de sa combinaison câble et adaptateur. Le supplicant Wi-Fi du récepteur a été désactivé afin que plusieurs services ne se disputent pas le même adaptateur.

Le Wi-Fi du portable lui-même était aussi coupé pour éviter les requêtes de sonde qui pouvaient perturber les mesures. Le résultat était un montage modeste, construit avec des pièces courantes dans les projets amateurs et les petits appareils intelligents. Il montre qu’un modèle entraîné sur des données plus riches peut être dirigé vers des mesures moins coûteuses sans reconstruire toute la pile de détection. C’est là l’intérêt pratique : des appareils ordinaires peuvent déjà porter assez de signal pour soutenir des estimations approximatives de position humaine.

Nettoyer le signal

Une pièce vide n’est jamais silencieuse pour un récepteur Wi-Fi. Les murs, les alimentations, les appareils proches et les petits électronique du laboratoire laissent tous des traces faibles sur la puissance du signal. Si ces traces restent en place, un modèle peut prendre une oscillation ordinaire de fond pour un corps qui se déplace dans l’air. La première étape de nettoyage consistait donc à enregistrer environ deux minutes de RSSI avant qu’une personne n’entre, afin que l’état silencieux de la pièce puisse être soustrait des mesures suivantes.

Les valeurs brutes du RSSI sont logarithmiques, ce qui les rend mal adaptées à un modèle qui attend des entrées proches de l’amplitude. Convertir les mesures dBm en puissance linéaire relative changeait la forme des données et facilitait la comparaison des petites variations dans le temps. La soustraction n’était pas une opération universelle. Chaque émetteur avait son propre motif de pièce silencieuse, si bien que l’utilisation du niveau de référence propre à chaque appareil gardait la comparaison locale. Une moyenne partagée pouvait masquer les différences entre appareils et laisser un chemin bruyant dominer le signal nettoyé.

La plupart des méthodes testées pour retirer le bruit de fond rendaient une pièce vide plus active qu’une personne réelle. Cet inversé est dangereux, car un système d’alarme ou de suivi réagirait à rien. Quand on ne retirait qu’une moyenne globale, le signal nettoyé portait encore assez de structure pour que le modèle atteigne une confiance maximale proche de 0,79. Dans une pièce vide, de fausses pointes autour de 0,65 apparaissaient. Des données entièrement normalisées abaissaient la pointe occupée à environ 0,61, ce qui rendait la présence réelle moins claire.

La méthode qui gardait la confiance en pièce vide inférieure à la confiance en pièce occupée consistait à comparer chaque mesure au niveau de référence silencieux du même émetteur. Ce choix traitait chaque chemin comme son propre instrument plutôt que d’imposer tous les chemins à une échelle partagée. Un petit seuil de bruit ignorait ensuite les variations inférieures à environ 0,001, afin que de faibles oscillations ne deviennent pas un faux mouvement. Le signal restant était lissé avec une courbe sigmoïde et projeté sur une plage circulaire de −π à +π, ce qui le faisait ressembler aux entrées proches de la phase attendues par le modèle réutilisé.

Ce travail de nettoyage transforme une mesure de puissance bruyante en quelque chose que le modèle emprunté peut interpréter comme un mouvement plutôt que du bruit. Sans lui, une pièce inoccupée peut déclencher le même type de réponse qu’une personne. Avec lui, le système apprend à ignorer le ronronnement propre de la pièce et à se concentrer sur des variations assez grandes, assez cohérentes et assez locales pour suggérer un corps dans l’espace.

Confiance, mouvement et porte qui s’ouvre comme un corps

Quand on demandait au modèle de placer une personne, il ne renvoyait pas une réponse unique nette. Pour chaque image, il produisait 100 poses corporelles possibles, et chaque pose portait 14 positions articulaires plus un score de confiance. La pose avec le meilleur score devenait l’estimation principale, tandis que les 99 autres servaient de contrôle interne. Si ces alternatives restaient proches les unes des autres, le modèle était intérieurement cohérent, même si sa position absolue pouvait encore être fausse.

Le mouvement laissait un motif qui correspondait à la masse corporelle plutôt qu’aux détails des membres. Les articulations du tronc montraient l’écart le plus grand parmi les 100 prédictions, ce qui correspond à la physique du Wi-Fi : un tronc en mouvement perturbe davantage les chemins de signal que les doigts ou les chevilles. Cela signifie que le système lisait assez de variation dans l’obstruction et la réflexion pour dire qu’un objet important s’était déplacé.

La confiance changeait quand les variations brutes étaient mises sous une forme angulaire plus proche des données de phase. Sans cette étape, la confiance maximale atteignait environ 0,72 pendant l’occupation. Avec elle, la confiance maximale montait à environ 0,92, et la confiance moyenne restait autour de 80 % pendant qu’une personne était dans la pièce. Ce changement est important parce qu’il montre à quel point un signal simple peut ressembler rapidement à une estimation fiable de présence.

La porte ajoutait une autre couche. L’ouvrir produisait une variation distincte qui pouvait être lue comme un objet entrant dans l’espace, ou comme un changement de réflectance causé par la modification de distance entre un émetteur et le récepteur. Un passage qui se déplace dans son arc peut se comporter comme un corps : il modifie les chemins, crée un nouveau motif et augmente la certitude même si aucune personne n’a franchi le seuil.

Le témoin invisible présent dans chaque routeur

Imaginez une pièce dégagée où le seul témoin est une faible oscillation de la puissance Wi-Fi. Une personne peut laisser une trace plus difficile à remarquer qu’une caméra ou un microphone. Des mesures ordinaires de puissance du signal, le type que beaucoup d’appareils intelligents collectent déjà, peuvent être transformées en estimations approximatives de l’endroit où quelqu’un se trouve et de la manière dont il bouge. Dans un essai contrôlé, un modèle entraîné sur des données de canal bien plus riches atteignait environ 80 % de confiance pendant qu’une personne se déplaçait dans une petite pièce. Ce chiffre est prometteur, mais il ne prouve pas qu’un salon peut être cartographié avec une précision au mètre près. Le système voyait un mouvement large, la présence et des changements de posture, mais il produisait aussi des estimations confiantes quand la pièce était vide.

Cet écart entre promesse et fiabilité compte parce que le matériel est déjà partout. Téléviseurs intelligents, routeurs, téléphones et autres objets connectés peuvent devenir des moniteurs ambiants sans qu’aucune nouvelle caméra ne soit installée. Cela ouvre des possibilités utiles pour la détection d’occupation et une surveillance respectueuse de la vie privée dans des foyers qui préfèrent un suivi moins visible que la vidéo. Cela crée aussi un problème plus difficile : des signaux invisibles peuvent être lus par des logiciels dont les utilisateurs ne pensent jamais, si bien que la charge passe sur les concepteurs, qui doivent intégrer dès le départ des limites, des audits et un consentement clair aux appareils.

La vraie question n’est pas de savoir si le Wi-Fi peut détecter des personnes. La question plus difficile est de savoir si la société décidera, avant que ces capteurs ne deviennent normaux, ce qu’ils sont autorisés à connaître.